摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第10-18页 |
1.1 课题的提出 | 第10-11页 |
1.2 需求分析 | 第11-12页 |
1.2.1 系统功能需求 | 第11页 |
1.2.2 系统数据需求 | 第11-12页 |
1.3 人脸检测技术简介 | 第12-13页 |
1.4 人脸检测研究的目的与现状 | 第13页 |
1.4.1 研究目的 | 第13页 |
1.4.2 研究现状 | 第13页 |
1.5 人脸检测方法简介 | 第13-16页 |
1.5.1 基于几何特征的检测方法 | 第14-15页 |
1.5.2 基于肤色模型的人脸检测方法 | 第15页 |
1.5.3 基于统计理论的人脸检测方法 | 第15-16页 |
1.6 人脸检测方法的性能评价 | 第16页 |
1.7 开发环境及工具 | 第16页 |
1.8 论文结构安排 | 第16-18页 |
第2章 Adaboost 算法与分类器训练 | 第18-20页 |
2.1 Adaboost 算法的背景 | 第18页 |
2.2 AdaBoost 算法的描述 | 第18-19页 |
2.3 Adaboost 算法的形式 | 第19-20页 |
第3章 Haar 分类器训练 | 第20-34页 |
3.1 技术简介 | 第20-21页 |
3.1.1 OpenCV 视觉库 | 第20页 |
3.1.2 人脸的 Haar 特征 | 第20页 |
3.1.3 人脸的 Haar 特征分类器的本质 | 第20-21页 |
3.1.4 训练思想 | 第21页 |
3.2 haar 特征在人脸检测中的应用 | 第21-24页 |
3.2.1 Adaboost 算法在人脸检测中的应用 | 第21-23页 |
3.2.2 Haar 分类器特点 | 第23-24页 |
3.3 分类器的训练过程 | 第24-29页 |
3.3.1 弱分类器训练 | 第24-27页 |
3.3.2 强分类器训练 | 第27-29页 |
3.4 级联强分类器 | 第29-32页 |
3.5 分类器优化 | 第32-34页 |
第4章 人脸检测系统设计与实现 | 第34-48页 |
4.1 设计思想 | 第34-35页 |
4.1.1 程序总体设计 | 第34页 |
4.1.2 程序流程设计 | 第34-35页 |
4.2 建立样本集 | 第35-37页 |
4.2.1 训练样本 | 第35-36页 |
4.2.2 建立正负样本集说明 | 第36-37页 |
4.3 创建 VEC 文件 | 第37-38页 |
4.4 训练分类器 | 第38-41页 |
4.5 配置 OpenCV 视觉库 | 第41-43页 |
4.5.1 全局设置 | 第41-42页 |
4.5.2 项目设置 | 第42-43页 |
4.6 代码编写 | 第43-48页 |
4.6.1 载入图片阶段 | 第43页 |
4.6.2 图片预处理阶段 | 第43-45页 |
4.6.3 加载分类器并进行检测 | 第45-47页 |
4.6.4 打印检测结果 | 第47-48页 |
第5章 参数说明及程序测试 | 第48-53页 |
5.1 图像参数说明 | 第48-49页 |
5.1.1 P 集说明 | 第48页 |
5.1.2 N 集说明 | 第48-49页 |
5.1.3 测试图像集说明 | 第49页 |
5.2 程序测试 | 第49-51页 |
5.2.1 简单背景下的单人脸检测 | 第49-50页 |
5.2.2 复杂背景下的单人脸检测 | 第50页 |
5.2.3 简单背景下的多人脸检测 | 第50页 |
5.2.4 复杂背景下的多人脸检测 | 第50-51页 |
5.2.5 集体照检测 | 第51页 |
5.3 失败案例分析 | 第51-53页 |
第6章 结论 | 第53-54页 |
参考文献 | 第54-56页 |
作者简介 | 第56-57页 |
致谢 | 第57页 |